Разрыв в ИИ-компетенциях растёт быстрее, чем обучение его закрывает

28 мая мы провели в Альпине закрытую мастер-встречу про то, как растить ИИ-компетенции в команде без миллионных бюджетов. Подключились больше 150 специалистов из фармы, ритейла, IT, логистики и банков, вопросы задавали CTO и L&D-директора крупных российских компаний. Коллеги показывали свои кейсы в маркетинге, продажах и разработке, я вёл продуктовый блок. После трёх часов разговоров у меня осталось одно наблюдение, ради которого я и сажусь писать.

Разрыв в ИИ-компетенциях растёт быстрее, чем обучение его закрывает. Одни сотрудники работают с моделями ежедневно: свой стек, свои шаблоны, память между сессиями, агенты внутри рабочего процесса. Другие открыли ChatGPT один раз, написали что-то вроде «составь мне отчёт», получили шаблонный текст без контекста, решили, что инструмент бесполезный, и закрыли вкладку. Между этими двумя сотрудниками дистанция увеличивается каждый месяц — и увеличивается быстрее, чем компании успевают её сокращать курсами.

Дальше — цифры, три кейса моих коллег и то, что я после всего этого делаю у себя.

Компании платят за ИИ-обучение и не получают компетенций. В отчёте DataCamp и YouGov State of Data & AI Literacy 2026 — опрос 517 руководителей корпораций в США и Великобритании, декабрь 2025 — февраль 2026 — 82% компаний уже предоставляют сотрудникам ИИ-обучение. И те же самые компании в 59% случаев сообщают, что разрыв в ИИ-компетенциях у них сохраняется.

Причины, которые называют сами респонденты, звучат буднично: 23% говорят, что программы не адаптированы под конкретные должностные обязанности, 21% — что сотрудникам сложно понять, с чего начать. Деньги в обучение пошли, программы запустили, лицензии раздали, отчётность закрыли — а сотрудник по-прежнему не умеет применять модель к своей работе.

На клиентских аудитах я вижу ровно это: обучение прошли все, применяют единицы. И разрыв проходит не между отделами и не между поколениями, а внутри одной команды, с одной зарплатной вилкой и одинаковым доступом к инструменту. Двое сидят рядом, у обоих оплачена лицензия и пройден один и тот же курс, а результат месяца отличается в разы.

Второй слой проблемы — руководители не видят реального уровня своих команд. Microsoft в Work Trend Index 2025 опросил 31 000 работников в 31 стране. Среди руководителей 67% сказали, что знакомы с ИИ-агентами. Среди рядовых сотрудников — 40%. 27 процентных пунктов расхождения по одному вопросу про понимание технологии. Руководитель уверен, что команда «знает про агентов и движется в эту сторону», а команда в массе своей о них не слышала. На этом расхождении ломаются корпоративные программы внедрения: их проектируют под тот уровень, которого нет.

Инструмент меняется быстрее, чем человек успевает менять привычки, и это главная механика разрыва. В феврале 2026 года Anthropic объявил раунд Series G на $13 млрд при оценке $380 млрд. По данным самой компании, run-rate revenue вырос с $14 млрд в феврале до примерно $30 млрд к апрелю того же года (Bloomberg, 6 апреля), а собственную динамику Anthropic описывает как «more than 10x annually for each of the past three years».

Это бизнес-метрика, но за ней стоит масштабирование возможностей продукта, которым люди пользуются на работе. Десятикратный рост три года подряд — это не пиковый квартал и не разовый скачок, а режим, в котором инструмент живёт всё время, пока идёт ваш корпоративный курс. Человек физически не успевает обновлять привычки в таком темпе. Поэтому разрыв нарастает не из-за лени отстающих: те, кто работает с ИИ ежедневно, ускоряются вместе с инструментом, а остальные остаются на уровне, который у них сформировался в момент последней попытки.

Отсюда простое следствие для любой программы обучения. Курс, написанный под текущее состояние инструмента, к концу потока описывает инструмент прошлого. Значит, ценность программы не в содержании, а в том, формирует ли она привычку обращаться к модели самому — на своей задаче, в своём процессе, не дожидаясь следующего курса.

В маркетинге разрыв виден по стоимости лида. У нас в Альпине CPC в Яндекс.Директе за год удвоился, и маркетолог без собственного ИИ-стека теряет конкурентоспособность быстрее всех: за тот же бюджет он не производит нужный объём работы. На мастер-встрече об этом рассказывал Александр Пронин, наш digital-маркетолог.

Он собрал три рабочих сервиса под повседневные задачи — без выделенного бюджета и без штата разработчиков, на собственных компетенциях и доступе к Claude Code. Самый показательный кейс — A/B-тест в ВК, где сравнивались статичные креативы и видеоролики с моим цифровым аватаром. Лид с обычной кампании стоил 2 000 ₽, с кампании с ИИ-аватаром — 400–500 ₽. Аудитория при этом не заметила, что аватар не настоящий. Разница в четыре-пять раз получена внутри той же команды и того же рекламного бюджета: три работающих сервиса и выигранный тест, без строки в IT-бэклоге, без подрядчика и без единого нового человека в штате.

Мысль Александра, с которой я согласен целиком: «За ИИ-маркетологом следит маркетолог. За ИИ-разработчиком следит разработчик. Без своих людей со своим стеком вы слепы». Компания покупает у подрядчика готовое решение под ключ за миллион, через год от инициативы остаётся слайд в отчёте: подрядчик ушёл, ключевые знания ушли с ним, нажимать кнопки некому. Устойчиво работает другое — растить своих: дать доступ к инструментам, время на эксперименты, право на провалы и видимость тем, кто уже что-то собрал.

В продажах разрыв материализуется в KPI каждый месяц, потому что у каждого менеджера свой план и свой набор сделок. Блок вела Ольга Староста, наш руководитель корпоративных продаж, и показала четыре повседневных кейса. Первый — ИИ-агент в Telegram, который читает записи двадцати менеджеров в Битриксе и выдаёт отчёт по пяти направлениям: активность дозвонов, настроение клиента, типы возражений, сильные стороны менеджера, зоны роста.

Раньше на аналитику звонков уходила неделя ручного прослушивания, теперь это 30-секундный отчёт по любому из двадцати. Второй — расчёт бонусов команды: 6–8 часов работы финансового менеджера каждый месяц превратились в 45 минут. Третий — перераспределение отраслей между менеджерами с учётом потенциала клиентских компаний: разброс нагрузки сократился с типичных 50% с лишним до менее 20%, а сам расчёт — с нескольких недель планёрок до одного вечера. Четвёртый — подбор сотрудников: парсинг резюме на HeadHunter под ТЗ вакансии, транскрипт интервью с разбором по STAR-структуре (ситуация, задача, действия, результат), генерация тестового задания и сравнительная матрица финалистов в одной таблице.

Ольга несколько раз подчеркнула, что всё это работает не из-за технического волшебства, а из-за привычки обращаться к модели на каждой конкретной задаче. Её реплика со встречи: «Я даю запросы ИИ максимально на простом языке. Когда что-то не получается, я ему пишу: у меня не получается, скажи мне, что мне сделать. И он мне отвечает». Специальной науки тут нет, есть сформированная привычка.

И здесь же наш самый воспроизводимый замер. Общие тренинги «как промтить» дают у нас примерно 23% adoption, тренинги на конкретных кейсах конкретных сотрудников — 67%. Разница почти в три раза, и по затратам времени она бесплатная: часы на сотрудника те же, меняется только содержание программы.

В разработке разрыв проходит не между теми, кто пользуется ИИ и кто не пользуется, а между режимом оператора и режимом дирижёра. Блок вёл Сергей Андриянов, наш CTO. Его команда столкнулась с типичной болью быстро растущей разработки: код-ревью занимало в среднем двое суток, и за месяц на одну команду из пяти разработчиков уходило около 100 человеко-часов только на проверки.

Сергей собрал мультиагентную систему из трёх специализированных агентов — библиотекарь читает требования из трекера, исследователь знает кодовую базу, ревьюер пишет замечания с привязкой к строкам — и обернул их в детерминированный workflow. Время ожидания упало с двух суток до часов, на рутинных MR — до 15–20 минут, команда освободила около 100 рабочих часов в месяц. Точность системы выросла с 70% до 90% с лишним после месяца дообучения на своей кодовой базе. Сто человеко-часов в месяц на пятерых — это больше половины месячной нормы одного разработчика, уходившей на чтение чужого кода.

Самое контринтуитивное в его докладе — пропорция. В системе сейчас 70% приходится на детерминированный workflow и только 30% на самостоятельных агентов, и это сознательный выбор. Полностью автономный агент в продакшене непредсказуем, дорог, плохо отлаживается, а последствия ошибки растворены по десяти вызовам модели. Workflow с агентами внутри узких задач — дёшево, предсказуемо, легко чинится. Если вы сейчас выбираете между «одним большим агентом, который сам разберётся» и набором узких агентов внутри жёсткого процесса, в корпоративном контуре почти всегда выигрывает второе.

Мне тоже кажется, что продвинутых пользователей ИИ вокруг много, и это иллюзия среды. McKinsey State of AI, опубликованный в ноябре 2025 года, показывает: только 23% компаний хоть как-то масштабируют ИИ-агентов хотя бы в одном бизнес-процессе. Ещё 39% находятся на стадии экспериментов и не вышли в производство, оставшиеся 38% не начинали.

Microsoft в Work Trend Index 2026 — опрос 20 000 работников, использующих ИИ, в 10 странах — приводит другую цифру: 58% из них говорят, что делают сейчас работу, которую год назад делать не могли, а среди тех, кого Microsoft называет Frontier Professionals, таких 80%. Передовая часть за год получила реальный апгрейд возможностей, средний сотрудник остался примерно там же. Эти цифры отрезвляют именно потому, что противоречат ленте: у меня в ленте агенты в фоне — обыденность, а в выборке McKinsey до них дошла меньше четверти компаний.

В России картина ещё резче. По данным «Якова и Партнёров», 71% российских компаний используют генеративный ИИ хотя бы в одной функции — на 17 процентных пунктов больше, чем годом ранее. Рост есть, но в подавляющем большинстве случаев за ним стоит «попробовали один раз», а не системное внедрение.

До уровня оператора — человека, у которого есть собственный стек, шаблоны и привычка работать с моделью ежедневно, — по моим наблюдениям из десятков клиентских аудитов доходят единицы процентов сотрудников средней компании. До уровня дирижёра, который оркестрирует агентов и автоматизации в фоне и у которого изменился сам состав ежедневных задач, — меньше процента. Эта доля и даёт компании конкурентное преимущество в 2026 году. Ещё один курс промт-инжиниринга её не увеличивает.

Главное препятствие не в модели и не в инструменте, а в том, как распределён бюджет. Большинство компаний тратит 80–90% денег на сам инструмент — лицензии и платформу — и 0–5% на обучение и сопровождение. Результат этого перемножения я видел много раз: из 200 купленных подписок ChatGPT активно пользуются 9 человек.

Пропорция, к которой мы пришли на своём опыте и опыте клиентов, выглядит иначе. 70% бюджета на людей и процессы: обучение под роли, AI-чемпионы, пересмотр KPI, ритуалы обмена кейсами. 20% на инфраструктуру: SSO, единое окно, база знаний, логирование. 10% на сам инструмент. Большинство инвестирует ровно наоборот, а потом удивляется, почему обучение не даёт adoption. Проверить свою пропорцию можно за вечер: возьмите смету AI-программы и посчитайте, какая доля в ней уходит людям, а какая — вендорам.

Пришли мы к ней не из красивой теории. В 2023 году мы начинали с внутренних экспериментов — переводы книг, аудиокниги, диалоговый бот-библиотекарь, — и половина пилотов закрылась. Для первой стадии это нормальный исход, но платить за него второй раз не хочется.

После мастер-встречи на 150 человек и десятков клиентских аудитов у меня осталось четыре вещи, которые я делаю сам, а не рекомендую делать абстрактной компании. Первая — ищу AI-чемпионов, а не назначаю их. В любой команде уже есть один-два человека, которые работают с ИИ всерьёз: собрали свой стек, делают что-то на Claude Code, ведут промпт-библиотеки, рассказывают коллегам без указания сверху.

Формально назначенный «AI-чемпион» почти всегда оказывается красивой ролью без гравитации. Я даю тем, кто начал сам, три вещи. Видимость — слот на общей встрече и место, куда складывают находки. Время — часы в неделе, которые не надо отвоёвывать у плана. Право делиться сырым, а не только вылизанным результатом. По нашему опыту это работает в разы сильнее любой официальной программы.

Вторая — ставлю обучение на конкретные рабочие задачи конкретных ролей. Не курс «как промтить нейросеть» на всю компанию, а программы под задачи маркетинга, продаж, юристов, HR — каждая со своими сценариями, шаблонами и кейсбуком. Те самые 23% против 67% adoption. Универсального курса, который подойдёт всем, не существует: маркетологу нужен один набор сценариев, юристу другой, аналитик живёт в третьем ритме.

Третья — не покупаю платформу под ключ, если рядом некому расти. Это самая частая ошибка последних двух лет из тех, что я вижу у клиентов: внедрили решение за 2 миллиона, подрядчик ушёл, ключевые знания ушли с ним, кнопки нажимать некому. Через год остаётся слайд в отчёте, а разрыв внутри компании за этот год успел вырасти ещё. Любое внедрение я теперь веду параллельно с обучением команды — иначе платформа не живёт.

И четвёртая, которую я делаю для себя, а не для компании: раз в квартал заново прохожу собственные рабочие сценарии на текущей версии инструментов. Не чтобы «быть в курсе», а чтобы поймать момент, когда три моих привычных шага схлопнулись в один, и я об этом не знаю.

Записи мастер-встречи со всеми выступлениями и презентациями выложены в канале «Дело в промпте»: кейсы Александра по маркетинговым сервисам, разбор кейсов Ольги по продажам, архитектура мультиагентной системы Сергея.

Если нужно понять, где сейчас ваша команда и куда пустить первый рабочий бюджет на обучение, — начните с честной диагностики: посчитайте долю людей на каждом из трёх уровней и сверьте её с тем, какие задачи у вас реально закрываются. Дальше дорожная карта пишется сама, и горизонт у неё — 90 дней, не год.

Источники:

DataCamp и YouGov, State of Data & AI Literacy 2026Microsoft Work Trend Index 2025Microsoft Work Trend Index 2026Anthropic, Series GMcKinsey, The State of AI«Яков и Партнёры», ИИ в России

Я CPO Alpina Digital. Про то, как ИИ меняет работу команд — без обещаний «замены людей» и без слепой веры в пилоты, — пишу в канале «Готовим ИИшницу». Кейсы и контакты — мой сайт.

Если после этого текста захочется попробовать самому, а порог входа окажется техническим, — у меня есть Ника, агент-помощник по настройке: t.me/vibecodeguidebot. Готовая конфигурация, установщик и видео-гайд на семь минут. Бесплатно, без регистрации.